新闻推荐笔记（2）：Embedding-based News Recommendation for Millions of Users

面向数百万用户的嵌入式新闻推荐

• 雅虎
• KDD2017

摘要

• 基于ID的方法，如协同过滤和低阶分解，以推荐著称，但不适合用于新闻推荐，因为候选文章很快过期，并在短时间内被新的文章替换。

• 信息检索中经常使用的基于词的方法系统性能表现良好，但存在很多问题（处理同义词、拼写变体以及定义用户历史活动中的“查询”的能力等问题。）

介绍 

新闻推荐的三个要点是：

• 理解文章内容
• 理解用户偏好
• 根据内容和偏好为单个用户列出选定的文章。

符合这三点的baseline模型是将文章表示成单词的word的集合，用户的表示是该用户浏览过的文章包含的word的集合，用候选文章和浏览历史比较共同出现的word来判断点击的概率，这个模型简单，容易学习；但是缺点是不能很好的判断近义词，也不能很好的更充分的利用用户的浏览历史

rnn擅长处理输入序列长度变化的情况，但是只用这个模型，不能符合要求的响应速度
 

 因此本文提出了一种基于嵌入的三步 end-to-end方法分布式表示。

（1）从基于去噪自动编码器变体的文章分布式表示开始

（2）使用以浏览历史为输入序列的递归神经网络（RNN）生成用户表示